刘宏义

(中国人民解放军边防学院信息化研究试验室，陕西西安 710108)

在当前的游戏开发中，最具有挑战性的工作是人工智能的编程。其中关键的部分就是学习过程。当游戏玩家不断地变化玩游戏的策略，学习系统就会遇到很多困难。经典的学习系统需要花费很多时间忘记旧规则，同时学习新规则。作为一种解决方法，文中为学习分类器引进了一个时间概念，这样，系统就可以很容易地忘记过去的事情。这里提出支持向量机(SVMs，Support Vector Machines)，这种技术可以应用于其他类型的分类器。

1 支持向量机

支持向量机(SVMs)是学习分类器。例如，神经网络学习分类器。但它们使用的概念略有不同。支持向量机(SVMs)是一个线性分类器的概括，与神经网络相比，SVMs关键的优越性是其创建和训练算法［2］。

1.1 线性分类器

在超平面的帮助下，线性分类器可以把输入空间分成两个部分:类A为类B。位于超平面上部的每一点属于类A，面位于超平面下部的每一点属于类B。图1显示了一个已分类的数据集。在式(1)定义的平面D是分类器的唯一参数。如果xi被分为类A和类B，如果分类器是经过训练的，这些数据的分类可以由式(2)和式(3)来实现。

〈x，y〉代表标准点积〈x，y〉=x1·y1+x2·y2+…

图1 线形可分离数据集

然而，由两个约束条件组成系统的训练并非无足轻重。如果具备式(4)和式(5)，那么分类的条件就变成了式(6)

正如式(6)验证的每个点，训练就是要寻找w和d。但这里存在着无数个分离平面，需要从这些平面中选择一个。尽量选择一个最能概括分类器的平面。……